redmoon

Herramienta de analisis que cruza datos del ciclo menstrual con metricas de sueno, HRV y frecuencia cardiaca a partir de tu exportacion de Apple Health.

Una sola linea y obtienes un informe con tests estadisticos, correlaciones y deteccion de patrones hormonales en tu sueno.

pip install redmoon
redmoon analyze exportacion.xml

---

Que encuentra redmoon

Resultados reales con ~6 anos de datos de Apple Health (76 ciclos, 1,153 noches):

Metrica	Cambia con el ciclo?	Detalle
Temperatura de muneca	Si (p < 0.000001)	+0.375 C en fase lutea vs folicular
HRV	Si (p < 0.000001)	-3ms en fase lutea
Frecuencia cardiaca en reposo	Si (p < 0.000001)	+2bpm en fase lutea
Despertares premenstruales	Si (p = 0.034)	+1.1 despertares/noche los ultimos 5 dias
Duracion del sueno	No (p = 0.28)	Sin diferencia entre fases
% REM / % Deep	No (p > 0.7)	Sin diferencia entre fases
Eficiencia del sueno	No (p = 0.21)	Sin diferencia entre fases

Conclusion: las hormonas cambian tu fisiologia nocturna de forma muy clara (temperatura, HRV, frecuencia cardiaca), pero el sueno en si solo se ve afectado justo antes del periodo, con mas despertares.

---

Como usar redmoon con tus datos

1. Exportar datos de Apple Health

En tu iPhone: Salud → foto de perfil → Exportar datos de salud → te genera un zip con exportacion.xml.

2. Instalar

pip install redmoon

Con extras opcionales:

pip install redmoon[all]    # incluye visualizaciones, ML y dashboard
pip install redmoon[viz]    # solo matplotlib + seaborn
pip install redmoon[ml]     # solo scikit-learn

3. Ejecutar analisis

Desde terminal:

# Analisis completo con report en consola
redmoon analyze exportacion.xml

# Guardar report a archivo + CSVs intermedios
redmoon analyze exportacion.xml --output report.txt --csv-dir data/

Como libreria Python:

from redmoon import parse_export, CycleSleepAnalyzer

data = parse_export("exportacion.xml")
analyzer = CycleSleepAnalyzer(data)
report = analyzer.run()

# Report completo en texto
print(report.summary())

# Medias por fase como DataFrame
report.phase_means()

# Tests estadisticos
report.statistical_tests()

# Efecto premenstrual
report.premenstrual_effect()

4. Dashboard interactivo (opcional)

pip install redmoon[all]
streamlit run dashboard.py

5 vistas: resumen, sueno por fase, biomarcadores, efecto premenstrual, tendencia temporal.

5. Notebook de analisis (opcional)

jupyter notebook notebooks/analysis.ipynb

16 secciones con visualizaciones completas, tests estadisticos, prediccion ML, y correlaciones.

---

Que datos necesitas

redmoon extrae automaticamente del XML de Apple Health:

Dato	Fuente	Registros tipicos
Fases de sueno (Core, REM, Deep, Awake)	Apple Watch	Miles
Flujo menstrual	App Salud / tracker	Cientos
Temperatura de muneca nocturna	Apple Watch Ultra / Series 8+	Cientos
HRV (SDNN)	Apple Watch	Miles
Frecuencia cardiaca en reposo	Apple Watch	Miles
Perturbaciones respiratorias	Apple Watch	Cientos

No necesitas todos. El minimo es sueno + periodo. Los biomarcadores (temperatura, HRV, HR) enriquecen el analisis pero son opcionales.

---

Metodologia

Agregacion nocturna

Cada noche se asigna a la fecha en que empieza el sueno. Si te duermes a las 2:00, esa noche cuenta como el dia anterior. Se filtran noches con <2h de sueno o >16h en cama.

Deteccion de ciclos

Los dias de sangrado consecutivos se agrupan en periodos. Un nuevo periodo empieza cuando hay >5 dias sin sangrado. Ciclos de <21 o >45 dias se excluyen.

Asignacion de fases

Cada ciclo se divide en 4 fases proporcionalmente a su duracion real:

Fase	Dias tipicos	Que pasa hormonalmente
Menstrual	1-5	Estrogeno y progesterona en minimo. Sangrado. Fatiga.
Folicular	6-13	Estrogeno sube. Mas energia y claridad mental.
Ovulatoria	14-16	Pico de estrogeno y LH. Liberacion del ovulo. Temperatura empieza a subir.
Lutea	17-28+	Progesterona alta. Temperatura +0.3-0.5 C. Al final, caida hormonal → PMS.

La fase lutea se subdivide en lutea temprana y premenstrual (ultimos 5 dias) para aislar el efecto PMS.

Tests estadisticos

• Kruskal-Wallis: test no parametrico para comparar las 4 fases
• Mann-Whitney U con correccion de Bonferroni: comparaciones post-hoc por pares
• Spearman: correlaciones entre metricas
• Random Forest: prediccion de fase lutea vs no-lutea (F1 = 0.79 con temperatura + HRV + HR)

Limpieza de outliers

• Eficiencia > 100%: Apple Health puede registrar InBed desde el iPhone y las fases desde el Watch, causando inconsistencias. Se usa max(InBed, sleep+awake) como denominador y se capea al 100%.
• Ciclos anormales: <21 o >45 dias se excluyen.
• Noches pre-2020: solo tienen InBed sin desglose en fases (el Watch no lo soportaba).

---

Estructura del proyecto

redmoon/
├── redmoon/               # Paquete Python (PyPI)
│   ├── __init__.py        #   Exports: parse_export, CycleSleepAnalyzer
│   ├── parser.py          #   XML → DataFrames
│   ├── analyzer.py        #   Analisis + report
│   ├── constants.py       #   Constantes, umbrales y logica de fases
│   └── cli.py             #   CLI: redmoon analyze
├── tests/                 # Tests (pytest, 37 tests)
│   ├── test_parser.py     #   Parser: tipos, columnas, validacion
│   ├── test_analyzer.py   #   Analyzer: pipeline, report, edge cases
│   └── test_constants.py  #   Asignacion de fases y constantes
├── sample_data/           # Datos sinteticos para probar sin Apple Health
├── notebooks/
│   └── analysis.ipynb     # Analisis completo con graficas
├── dashboard.py           # Dashboard Streamlit
├── .github/workflows/     # CI: tests en Python 3.9-3.12
├── data/                  # (gitignored) tus datos privados
├── pyproject.toml
└── LICENSE                # MIT

Desarrollo local

git clone https://github.com/aroaxinping/redmoon.git
cd redmoon
pip install -e ".[all]"
pip install pytest

# Tests
pytest tests/ -v

# Probar con datos de ejemplo (sin necesitar Apple Health)
python -c "
import pandas as pd
from redmoon import CycleSleepAnalyzer
data = {k: pd.read_csv(f'sample_data/{k}.csv', parse_dates=['start','end'] if k=='sleep' else None)
        for k in ['sleep','menstrual','wrist_temp','hrv','resting_hr','breathing']}
print(CycleSleepAnalyzer(data).run().summary())
"

Privacidad

Los datos de salud estan en .gitignore. El repo solo contiene codigo y datos sinteticos de ejemplo. Ningun dato personal se sube.

Licencia

MIT